4EK201 Matematické modelování. 11. Ekonometrie

Podobné dokumenty
EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy

4EK211 Základy ekonometrie

18AEK Aplikovaná ekonometrie a teorie časových řad. Řešení domácích úkolů č. 1 a 2 příklad 1

4EK211 Základy ekonometrie

Základy ekonometrie. XI. Vektorové autoregresní modely. Základy ekonometrie (ZAEK) XI. VAR modely Podzim / 28

Otázky ke státní závěrečné zkoušce

4EK212 Kvantitativní management. 1. Úvod do kvantitativního managementu a LP

Lekce 1 úvod do ekonometrie

České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská OKRUHY. ke státním závěrečným zkouškám BAKALÁŘSKÉ STUDIUM

4EK211 Základy ekonometrie

Bodové a intervalové odhady parametrů v regresním modelu

Ekonomický a ekonometrický model. Předpoklady, formulace EKO modelu a očekávání o chování proměnných

4EK311 Operační výzkum. 1. Úvod do operačního výzkumu

4EK211 Základy ekonometrie

Statistika (KMI/PSTAT)

5EN306 Aplikované kvantitativní metody I

Tomáš Karel LS 2012/2013

Ilustrační příklad odhadu SM v SW Gretl

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie

Měření závislosti statistických dat

Cvičící Kuba Kubina Kubinčák Body u závěrečného testu

Teorie časových řad Test 2 Varianta A HODNOCENÍ (max. 45 bodů z 50 možných)

4EK201 Matematické modelování. 2. Lineární programování

5EN306 Aplikované kvantitativní metody I

5EN306 Aplikované kvantitativní metody I

POPTÁVKA PO VEŘEJNÉ DOPRAVĚ V ZÁVISLOSTI NA ŠKOLSTVÍ V KRAJI TRANSPORT DEMAND DEPENDS ON EDUCATION ON REGIONS

4EK211 Základy ekonometrie

4EK201 Matematické modelování. 1. Úvod do matematického modelování

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie

4EK213 Lineární modely. 5. Dualita v úlohách LP

Základy ekonometrie. X. Regrese s časovými řadami. Základy ekonometrie (ZAEK) X. Regrese s časovými řadami Podzim / 47

6 Vícerovnicové ekonometrické soustavy 1

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

Ekonometrie. Jiří Neubauer

Regresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel

Matematické modelování Náhled do ekonometrie. Lukáš Frýd

Testování hypotéz o parametrech regresního modelu

Testování hypotéz o parametrech regresního modelu

TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD

4EK211 Základy ekonometrie

4EK213 Lineární modely. 4. Simplexová metoda - závěr

Statistika II. Jiří Neubauer

Tomáš Cipra: Finanční ekonometrie. Ekopress, Praha 2008 (538 stran, ISBN: , cena Hlávkovy nadace v roce 2009) 1. ÚVOD...

4EK211 Základy ekonometrie

Studijní program Matematika Obor Pravděpodobnost, matematická statistika a ekonometrie

Korelační a regresní analýza

METODY ODHADU REDUKOVANÉHO A STRUKTURNÍHO TVARU MODELŮ SIMULTÁNNÍCH ROVNIC.

MAKROEKONOMIKA. Úvod

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie

OPTIMÁLNÍ ŘÍZENÍ V EKONOMETRII. METODA CÍLOVÝCH PROMĚNNÝCH A JEJÍ OMEZENÍ.

Technická univerzita v Liberci

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

REGRESNÍ ANALÝZA NESTACIONÁRNÍCH EKONOMICKÝCH ČASOVÝCH ŘAD

VEKTOROVÉ AUTOREGRESE. APLIKACE V PROGNÓZOVÁNÍ.

RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.

odpovídá jedna a jen jedna hodnota jiných

4EK211 Základy ekonometrie

Ilustrační příklad odhadu LRM v SW Gretl

Úvodem Dříve les než stromy 3 Operace s maticemi

5EN306 Aplikované kvantitativní metody I

Sever Jih Západ Plechovka Točené Sever Jih Západ Součty Plechovka Točené Součty

Analýza vývoje průměrné mzdy v ČR

4EK211 Základy ekonometrie

Statistická analýza jednorozměrných dat

10. Předpovídání - aplikace regresní úlohy

4EK213 Lineární modely. 10. Celočíselné programování

Derivace funkce. Přednáška MATEMATIKA č Jiří Neubauer

STATISTIKA LS Garant předmětu: Ing. Martina Litschmannová, Ph.D. Přednášející: Ing. Martina Litschmannová, Ph.D.

Makroekonomie II. Miroslav Hloušek Katedra ekonomie Kancelář č. 606 Konzultační hodiny: pondělí:

Regresní a korelační analýza

4. Aplikace matematiky v ekonomii

1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,

Umělé (dummy) proměnné v ekonometrickém modelu

PROGNÓZOVÁNÍ POMOCÍ EKONOMETRICKÝCH MODELŮ. ÚLOHA OČEKÁVÁNÍ V EKONOMII.

4EK201 Matematické modelování. 10. Teorie rozhodování

Tomáš Karel LS 2012/2013

Základy matematické analýzy

Matematika 1. 1 Derivace. 2 Vlastnosti a použití. 3. přednáška ( ) Matematika 1 1 / 16

PRAVDĚPODOBNOST A STATISTIKA

Návrh a vyhodnocení experimentu

STATISTICKÉ PROGRAMY

Metodický list č. 2. Metodický list pro 2. soustředění kombinovaného Mgr. studia předmětu. Makroekonomie II (Mgr.) LS

7 Regresní modely v analýze přežití

Problematika analýzy rozptylu. Ing. Michael Rost, Ph.D.

N_MaE_II Makroekonomie II B (Mgr.) LS

Světová ekonomika. Ekonomické subjekty a ekonomický koloběh

Pravděpodobnost a matematická statistika

FAKTORY PŮSOBÍCÍ NA CESTUJÍCÍ V DOPRAVNÍM SYSTÉMU FACTORS WHICH HAVE EFFECT ON PASSENGERS IN TRANSPORT SYSTEM

časovém horizontu na rozdíl od experimentu lépe odhalit chybné poznání reality.

TECHNICKÁ UNIVERZITA V LIBERCI

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE

Regresní analýza 1. Regresní analýza

MÍRY ZÁVISLOSTI (KORELACE A REGRESE)

Učitelství 2. stupně ZŠ tématické plány předmětů matematika

Předmět ekonomie. Tematický okruh (ŠVP) Základní ekonomické pojmy. Tematická oblast Název DUM (téma) 3.ročník Vytvořeno Červenec 2013 Autor materiálu

Obsah ODDÍL A ZÁKLADNÍ SOUVISLOSTI MAKROEKONOMICKÉ ANALÝZY 3 ODDÍL B: ANALÝZA VNITŘNÍ A VNĚJŠÍ EKONOMICKÉ ROVNOVÁHY 63. Úvod 1

Transkript:

4EK201 Matematické modelování 11. Ekonometrie

11. Ekonometrie Ekonometrie Interdisciplinární vědní disciplína Zkoumá vztahy mezi ekonomickými veličinami Mikroekonomickými i makroekonomickými Ekonomie ekonomické veličiny Matematika matematické modely Statistika prostředky pro odhad modelů Výpočetní technika softwary pro výpočty Mgr. Sekničková Jana, Ph.D. 2

11.1 Ekonomický model Vychází z ekonomické teorie Mikroekonomický model Makroekonomický model Tvořen jednou nebo více rovnicemi Mohou být lineární Často však lineární nejsou Produkční funkce, nákladové funkce, atd. V některých případech je lze linearizovat Mgr. Sekničková Jana, Ph.D. 3

Jednorovnicový model Jedna rovnice popisující chování nějaké (ekonomické) veličiny Vícerovnicový model Více rovnic popisujících chování několika (ekonomických) veličin Často obsahuje i definiční rovnice (identity) - rovnováha Mgr. Sekničková Jana, Ph.D. 4

Jednorovnicový model Jedna rovnice popisující chování nějaké (ekonomické) veličiny Jedna vysvětlovaná proměnná (endogenní) - Y Jedna nebo více vysvětlujících proměnných (predeterminované, exogenní) - X 1, X 2,, X k Ekonomická závislost je doplněna o náhodnou složku - u Mgr. Sekničková Jana, Ph.D. 5

Jednorovnicový model - příklad Ve skriptech závislost spotřeby na příjmu Příklad 1 Modelujte závislost výše příjmu (platu) na počtu let strávených ve škole K dispozici máme soubor n = 13 pozorování Vysvětlovaná proměnná: Y Plat Vysvětlující proměnné: X Počet školních let Mgr. Sekničková Jana, Ph.D. 6

Příklad 1 - data Vysvětlovaná proměnná: Y Plat Vysvětlující proměnné: X Počet školních let pozorovani vek plat pohlavi skola praxe 1 37 13 490 M 13 18 2 49 11 981 Ž 9 34 3 47 9 239 Ž 9 32 4 73 15 828 Ž 19 49 5 51 22 092 Ž 18 27 6 38 27 359 Ž 21 11 7 40 18 854 M 13 21 8 59 28 293 M 18 35 9 56 12 411 Ž 14 37 10 64 9 424 M 9 49 11 54 17 988 M 12 35 12 41 18 994 M 13 22 13 43 39 595 M 21 16 Mgr. Sekničková Jana, Ph.D. 7

Příklad 1 - model Vysvětlovaná proměnná: Y Plat Vysvětlující proměnné: X Počet školních let Model: Y = β 1 + β 2 X + u β 1 - úrovňová konstanta základní plat bez vzdělání (kolik je Y, když X = 0) - směrnice přímky přírůstek platu dx vzhledem k jednomu roku vzdělání β 2 = dy Mgr. Sekničková Jana, Ph.D. 8

Příklad 1 - odhad Vysvětlovaná proměnná: Y Plat Vysvětlující proměnné: X Počet školních let Model: Y = 6068,86 + 1725,76 X + e Mgr. Sekničková Jana, Ph.D. 9

Mgr. Sekničková Jana, Ph.D. 10

Příklad 2 11.2 Ekonometrický model Modelujte závislost výše příjmu (platu) na počtu let praxe (v zaměstnání) K dispozici máme soubor n = 13 pozorování Vysvětlovaná proměnná: Y Plat Vysvětlující proměnné: X Počet let praxe Mgr. Sekničková Jana, Ph.D. 11

Příklad 2 - data Vysvětlovaná proměnná: Y Plat Vysvětlující proměnné: X Počet let praxe pozorovani vek plat pohlavi skola praxe 1 37 13 490 M 13 18 2 49 11 981 Ž 9 34 3 47 9 239 Ž 9 32 4 73 15 828 Ž 19 49 5 51 22 092 Ž 18 27 6 38 27 359 Ž 21 11 7 40 18 854 M 13 21 8 59 28 293 M 18 35 9 56 12 411 Ž 14 37 10 64 9 424 M 9 49 11 54 17 988 M 12 35 12 41 18 994 M 13 22 13 43 39 595 M 21 16 Mgr. Sekničková Jana, Ph.D. 12

Příklad 2 - model Vysvětlovaná proměnná: Y Plat Vysvětlující proměnné: X Počet let praxe Model: Y = β 1 + β 2 X + u β 1 - úrovňová konstanta základní plat bez praxe (kolik je Y, když X = 0) - směrnice přímky přírůstek platu dx vzhledem k jednomu roku praxe β 2 = dy Mgr. Sekničková Jana, Ph.D. 13

Příklad 2 - odhad Vysvětlovaná proměnná: Y Plat Vysvětlující proměnné: X Počet let praxe Model: Y = 30870,6 403,547 X + e Mgr. Sekničková Jana, Ph.D. 14

Mgr. Sekničková Jana, Ph.D. 15

Příklad 3 11.2 Ekonometrický model Modelujte závislost výše příjmu (platu) na počtu školních let a počtu let praxe (v zaměstnání) K dispozici máme soubor n = 13 pozorování Vysvětlovaná proměnná: Y Plat Vysvětlující proměnné: X S Počet školních let X P Počet let praxe Mgr. Sekničková Jana, Ph.D. 16

Příklad 3 - data Vysvětlovaná proměnná: Vysvětlující proměnné: Y Plat X S Počet školních let X P Počet let praxe Mgr. Sekničková Jana, Ph.D. 17

Příklad 3 - model Model: Y = β 1 + β 2 X S + β 3 X P + u β 1 - základní plat bez vzdělání a praxe (kolik je Y, když X S = 0 a X P = 0) β 2 = dy dx S - směrnice přímky přírůstek platu vzhledem k jednomu roku vzdělání β 3 = dy dx P - směrnice přímky přírůstek platu vzhledem k jednomu roku praxe Mgr. Sekničková Jana, Ph.D. 18

Příklad 3 - odhad Vysvětlovaná proměnná: Y Plat Vysvětlující proměnné: X S Počet školních let X P Počet let praxe Model: Y = 2019,97 + 1526,75 X S 175,492 X P + e Mgr. Sekničková Jana, Ph.D. 19

Vícerovnicový model Více rovnic popisujících chování několika (ekonomických) veličin Často obsahuje i definiční rovnice (identity) Jedna vysvětlovaná proměnná v každé rovnici (endogenní) - Y 1,, Y G Jedna nebo více vysvětlujících proměnných (predeterminované, exogenní) - X 1, X 2,, X k Vysvětlující mohou však být i endogenní proměnné z ostatních rovnic - Y 1,, Y G Ekonomická závislost je doplněna o náhodnou složku - u Mgr. Sekničková Jana, Ph.D. 20

Vícerovnicový model - příklad Modelujte závislost poptávky a nabídky zemního plynu v závislosti na ceně plynu a poptávky v předchozím období K dispozici máme soubor n = 21 pozorování Vysvětlované proměnné: Y D t Poptávka Y S t Nabídka Vysvětlující proměnné: P t Cena D Poptávka v předchozím období Y t 1 Mgr. Sekničková Jana, Ph.D. 21

Vícerovnicový model ekonometrický model Vysvětlované proměnné: Y t D Poptávka Vysvětlující proměnné: Y t S Nabídka P t Cena Y D t 1 Poptávka v t 1 Poptávka po plynu: Y t D = α + βp t + u t, Nabídka plynu: Y t S = γ + δp t + εy t 1 + v t, Podmínka rovnováhy: Y t D = Y t S Mgr. Sekničková Jana, Ph.D. 22

11.3 Data pro ekonometrickou analýzu Kvantifikace (odhad parametrů) Provádíme na základě reálných dat pomocí softwaru Data: Časové řady (roční, čtvrtletní, denní) Pro jeden subjekt v několika obdobích Průřezová data (kraje, domácnosti, firmy, státy) V jednom období pro několik subjektů Panelová data (kombinace) Pro několik subjektů v několika obdobích Mgr. Sekničková Jana, Ph.D. 23

11.4 Fáze ekonometrické analýzy Specifikace (formulace modelu) Kvantifikace (odhad parametrů) Pro vlastní odhady se používají metody statistické analýzy (např. regrese) Verifikace (ověření) Ekonomická Statistická Ekonometrická Mgr. Sekničková Jana, Ph.D. 24

11.4 Fáze ekonometrické analýzy Aplikace (použití výsledků) Analýza a verifikace ekonomické teorie Porovnání výsledků s výchozí ekonomickou hypotézou Prognózování Předpovídání chování systému Optimální řízení hospodářské politiky Stanovení optimálních hodnot (měnová, fiskální, sociální politika) pro dosažení stanovených cílů (např. dané úrovně HDP) Mgr. Sekničková Jana, Ph.D. 25

Detaily k přednášce: skripta, kapitola 9 KONEC Mgr. Sekničková Jana, Ph.D. 26